阿尔茨海默氏病(AD)是一种进行性神经退行性疾病,导致大量记忆力障碍,使早期诊断至关重要[1]。此外,使用MRI预测大脑年龄已成为识别与各种神经病理相关的成像生物标志物的临床重要方法。许多研究提出了脑年龄预测作为表征这些条件的一种手段[2]。神经影像学,例如结构性MRI,已无法诊断。随着大规模数据集的可用性,应用复杂的毕生学习算法激增,以增强我们对神经退行性疾病的理解和预测能力[3,4]。大脑结构的复杂解剖结构需要采用完全捕获空间关系和几何特性的同样的方法。自动分割技术的进步[4],促进了医学图像的解剖形状。提取的形状然后可以表示为网格,从而使强大的图形神经网络(GNNS)用于学习几何特征。在本文中,我们提出了一种深度学习方法,该方法具有从结构MRI提取的大脑形状特征的成像特征,以提高大脑年龄回归和AD分类的预测准确性。我们的方法
主要关键词
![arxiv:2501.07994v1 [cs.cv] 2025年1月14日PDF文件第1页](/bimg/a/aab2a2f747da67d12d904ad05657861b42a65d6e.webp)
![arxiv:2501.07994v1 [cs.cv] 2025年1月14日PDF文件第2页](/bimg/7/7066a48f016ede277a91ac453ee97a30a39fb1ea.webp)
![arxiv:2501.07994v1 [cs.cv] 2025年1月14日PDF文件第3页](/bimg/7/71b43f34076b210aeaa8acf77a796b241fcbc3f4.webp)
![arxiv:2501.07994v1 [cs.cv] 2025年1月14日PDF文件第4页](/bimg/d/de7dfef1923f5c1cd62bc890bfbd380ebb5bfada.webp)
